随着手机、CCD、CMOS摄像机等图像采集设备的不断发展,人们对高分辨率图像的需求不断增长,对高质量视觉体验的追求也越来越高。为了提高CCD或CMOS等摄像机传感器的性能,超分辨率(SR)算法为解决这一需求提供了一种更为有效的途径。事实上,单图像超分辨率(SISR)任务是计算机视觉中的一项低层次任务。目前,大多数基于卷积神经网络(CNN)的模型都致力于通过尽可能多地编辑高分辨率图像来训练参数。本文针对三种基于CNN的模型进行调整,减少对性能无影响的网络层,去除网络中冗余的结构,实现对不同类型超分辨网络的提速,在同硬件配置下,减少其运算时间以及模型的存储空间,提高模型的应用性,有效解决单帧图像超分辨在工业实用方面的速度和存储问题。本文为实现对SISR算法的改进,采取了三步工作:(1)预定义上采样方式模型,需将低分辨率图像进行预处理,将其进行上采样操作以匹配输入输出图像尺寸,这也导致网络中使用高尺寸的图像进行计算,平方倍增加计算量。本文设计了一种既可以增加其感受野,又可以有效减少其运算量的方案。同时该结构模型也可以有效地应用于图像去伪影的任务中,得到清晰的复原图像。(2)对于基于残差块的模型,使用残差块实现跳跃链接,同时使用批量规格化(BN)的方法加速网络训练收敛。本文将该网络模型进行改进优化,保证模型的精度的同时对网络处理图像的时间进行有效缩减。(3)本文最后提出针对基于通道注意力模型的优化方案,证明了该模型中大量的通道注意力结构对图像超分辨的结果提升不明显,同时本文提出了新的网络层代替通道注意力结构以优化模型计算速度。在保证量化指标大致相同的前提下,可将运算速度提升为原模型的2-3倍,验证了本文提出的模型相比原模型具有更好的实用性。